CN112966916A - 一种基于深度学习的社区空闲资源分享方法和系统 - Google Patents
一种基于深度学习的社区空闲资源分享方法和系统 Download PDFInfo
- Publication number
- CN112966916A CN112966916A CN202110218416.0A CN202110218416A CN112966916A CN 112966916 A CN112966916 A CN 112966916A CN 202110218416 A CN202110218416 A CN 202110218416A CN 112966916 A CN112966916 A CN 112966916A
- Authority
- CN
- China
- Prior art keywords
- community
- resource
- idle resource
- idle
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 3
- 230000008676 import Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Child & Adolescent Psychology (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种基于深度学习的社区空闲资源分享方法和系统。该方法包括:获取待分类的社区闲置资源特征,按照商品分类对社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集;将各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数;按照需求大小对居民资源需求信息进行第一排序;按照闲置资源匹配指数对各类社区闲置资源的特征数据集进行第二排序;结合第一排序和第二排序,生成资源分享方案,确定分享匹配对象;将满意度评价反馈至深度神经网络进行优化训练。本申请通过深度学习技术提高了社区空闲资源分享的准确度和效率。
Description
技术领域
本申请涉及物体识别技术及社区垃圾分类管理领域,尤其涉及一种基于深度学习的社区空闲资源分享方法和系统。
背景技术
随着居民生活水平的提高,社区居民中经常存在大量的闲置资源,例如儿童玩具、衣物、书籍等,如果直接丢弃浪费资源,通过交流群等方法进行共享,用户可能发生漏看,而没有推送给需要的用户,而且交流群的方式不能匹配给最合适的用户。另外,一些特殊群体,例如年长的居民,也有可能一时想不起自己的需求,而忽视了交流群中的闲置资源共享信息。
因此,可以考虑通过深度学习的方法,对社区中的空闲资源进行分享推荐,实现高效、准确的社区空闲资源共享。
发明内容
有鉴于此,本申请的目的在于提出一种基于深度学习的社区空闲资源分享方法和系统,实现社区空闲资源的智能化分享,提高社区空闲资源分享的准确性和效率,解决目前社区中空闲资源分享效果不佳的技术问题。
基于上述目的,本申请提出了一种基于深度学习的社区空闲资源分享方法,包括:
获取待分类的社区闲置资源特征,按照商品分类对所述社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集;
将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数;所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层,卷积层的核函数大小为4*4,激活层的激活函数采用ReLU函数,池化层的核函数大小为3*3;
获取居民资源需求信息并进行分类,按照需求大小对居民资源需求信息进行第一排序;
按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序;
结合第一排序和第二排序,生成资源分享方案,依次向需求居民发送分享邀请,确定分享匹配对象;
所述分享匹配对象在获取到闲置资源后,按照所述闲置资源的分类进行满意度评价,并将所述满意度评价反馈至所述深度神经网络进行优化训练。
在一些实施例中,获取待分类的社区闲置资源特征,按照商品分类对所述社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集,包括:
根据社区闲置资源对应的商品分类,从用户提供的所述社区闲置资源的信息中抽取出所述社区闲置资源特征;
对所述社区闲置资源特征的数据进行除噪和归一化处理后,对缺失的数据进行默认填充,构建所述社区闲置资源的特征数据集。
在一些实施例中,将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数,包括:
对于每种社区闲置资源的商品分类,训练对应的深度神经网络;
将所述社区闲置资源的特征数据集作为所述深度神经网络的输入,进行分类,得到所述社区闲置资源对应的匹配特征;
根据所述匹配特征,对每个需求用户进行指数化评分,得到各自的闲置资源匹配指数。
在一些实施例中,结合第一排序和第二排序,生成资源分享方案,依次向需求居民发送分享邀请,确定分享匹配对象,包括:
对于所述第一排序中的每一居民需求,确定所述第二排序中以所述居民需求为中心,上下匹配振幅区间内的需求居民为预选对象集合;
按照所述预选对象集合中每个需求居民的闲置资源匹配指数,依次向每个需求居民发送分享邀请;
如果在指定等待响应时间内靠前需求居民没有响应,则向闲置资源匹配指数排序在所述靠前需求居民之后的靠后需求居民继续发送分享邀请。
在一些实施例中,确定分享匹配对象,包括:
如果用户接受了所述分享邀请,则终止继续发送分享邀请;
如果用户拒绝了所述分享邀请,则向所述资源分享方案中的下一用户发送分享邀请,直至存在用户接受所述分享邀请。
在一些实施例中,所述分享匹配对象在获取到闲置资源后,按照所述闲置资源的分类进行满意度评价,并将所述满意度评价反馈至所述深度神经网络进行优化训练,包括:
对所述满意度评价进行差错扫描,去除偏差值在指定区间外的错误数据,并以默认数据进行替换,形成反馈数据集;
将所述反馈数据集导入所述深度神经网络进行优化训练,替换原有深度神经网络。
基于上述目的,本申请还提出了一种基于深度学习的社区空闲资源分享系统,包括:
构建模块,用于获取待分类的社区闲置资源特征,按照商品分类对所述社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集;
分类模块,用于将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数;所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层,卷积层的核函数大小为4*4,激活层的激活函数采用ReLU函数,池化层的核函数大小为3*3;
匹配模块,用于获取居民资源需求信息并进行分类,按照需求大小对居民资源需求信息进行第一排序;按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序;结合第一排序和第二排序,生成资源分享方案,依次向需求居民发送分享邀请,确定分享匹配对象;
反馈模块,用于所述分享匹配对象在获取到闲置资源后,按照所述闲置资源的分类进行满意度评价,并将所述满意度评价反馈至所述深度神经网络进行优化训练。
在一些实施例中,所述构建模块,包括:
抽取单元,用于根据社区闲置资源对应的商品分类,从用户提供的所述社区闲置资源的信息中抽取出所述社区闲置资源特征;
清洗单元,用于对所述社区闲置资源特征的数据进行除噪和归一化处理后,对缺失的数据进行默认填充,构建所述社区闲置资源的特征数据集。
在一些实施例中,所述分类模块,包括:
训练单元,用于对于每种社区闲置资源的商品分类,训练对应的深度神经网络;
计算单元,用于将所述闲置资源特征数据集作为所述深度神经网络的输入,进行分类,得到所述闲置资源对应的匹配特征;
评分单元,用于根据所述匹配特征,对每个需求用户进行指数化评分,得到各自的闲置资源匹配指数。
在一些实施例中,所述反馈模块,包括:
纠错单元,用于对所述满意度评价进行差错扫描,去除偏差值在指定区间外的错误数据,并以默认数据进行替换,形成反馈数据集;
替换单元,用于将所述反馈数据集导入所述深度神经网络进行优化训练,替换原有深度神经网络。
总的来说,本申请的优势及给用户带来的体验在于:能够根据社区空闲资源的不同特征,实现与社区居民需求的对接,从而实现社区空闲资源的智能化分享,提高社区空闲资源分享的准确度和效率。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的基于深度学习的社区空闲资源分享方法的流程图。
图2示出根据本发明实施例的基于深度学习的社区空闲资源分享系统的构成图。
图3示出根据本发明实施例的构建模块的构成图。
图4示出根据本发明实施例的分类模块的构成图。
图5示出根据本发明实施例的反馈模块的构成图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出根据本发明实施例的基于深度学习的社区空闲资源分享方法的流程图。如图1所示,该基于深度学习的社区空闲资源分享方法包括:
步骤S11、获取待分类的社区闲置资源特征,按照商品分类对所述社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集。
具体来说,待分类的社区闲置资源特征包括该闲置资源的名称、品类、新旧程度、是否需要费用等。
另外,可以参考国内外的商品分类标准进行空闲资源的分类,例如尼斯分类表、洛迦诺分类表等。
在一种实施方式中,获取待分类的社区闲置资源特征,按照商品分类对所述社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集,包括:
根据社区闲置资源对应的商品分类,从用户提供的所述社区闲置资源的信息中抽取出所述社区闲置资源特征;
对所述社区闲置资源特征的数据进行除噪和归一化处理后,对缺失的数据进行默认填充,构建所述社区闲置资源的特征数据集。
步骤S12、将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数;所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层,卷积层的核函数大小为4*4,激活层的激活函数采用ReLU函数,池化层的核函数大小为3*3。
在一种实施方式中,将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数,包括:
对于每种社区闲置资源的商品分类,训练对应的深度神经网络;
将所述社区闲置资源的特征数据集作为所述深度神经网络的输入,进行分类,得到所述社区闲置资源对应的匹配特征;
根据所述匹配特征,对每个需求用户进行指数化评分,得到各自的闲置资源匹配指数。
步骤S13、获取居民资源需求信息并进行分类,按照需求大小对居民资源需求信息进行第一排序;按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序;结合第一排序和第二排序,生成资源分享方案,依次向需求居民发送分享邀请,确定分享匹配对象。
在一种实施方式中,结合第一排序和第二排序,生成资源分享方案,依次向需求居民发送分享邀请,确定分享匹配对象,包括:
对于所述第一排序中的每一居民需求,确定所述第二排序中以所述居民需求为中心,上下匹配振幅区间内的需求居民为预选对象集合;
按照所述预选对象集合中每个需求居民的闲置资源匹配指数,依次向每个需求居民发送分享邀请;
如果在指定等待响应时间内靠前需求居民没有响应,则向闲置资源匹配指数排序在所述靠前需求居民之后的靠后需求居民继续发送分享邀请。
具体来说,由于有的空闲资源是存在有效期的,例如食品,因此有必要为空闲资源设定一个等待响应时间,如果匹配的居民在等待响应时间内没有响应,则递延考虑下一匹配排名的居民。
在一种实施方式中,确定分享匹配对象,包括:
如果用户接受了所述分享邀请,则终止继续发送分享邀请;
如果用户拒绝了所述分享邀请,则向所述资源分享方案中的下一用户发送分享邀请,直至存在用户接受所述分享邀请。
步骤S14、所述分享匹配对象在获取到闲置资源后,按照所述闲置资源的分类进行满意度评价,并将所述满意度评价反馈至所述深度神经网络进行优化训练。
在一种实施方式中,所述分享匹配对象在获取到闲置资源后,按照所述闲置资源的分类进行满意度评价,并将所述满意度评价反馈至所述深度神经网络进行优化训练,包括:
对所述满意度评价进行差错扫描,去除偏差值在指定区间外的错误数据,并以默认数据进行替换,形成反馈数据集;
将所述反馈数据集导入所述深度神经网络进行优化训练,替换原有深度神经网络。
图2示出根据本发明实施例的基于深度学习的社区空闲资源分享系统的构成图。如图2所示,该基于深度学习的社区空闲资源分享系统整体可以分为:
构建模块21,用于获取待分类的社区闲置资源特征,按照商品分类对所述社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集;
分类模块22,用于将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数;所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层,卷积层的核函数大小为4*4,激活层的激活函数采用ReLU函数,池化层的核函数大小为3*3;
匹配模块23,用于获取居民资源需求信息并进行分类,按照需求大小对居民资源需求信息进行第一排序;按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序;结合第一排序和第二排序,生成资源分享方案,依次向需求居民发送分享邀请,确定分享匹配对象;
反馈模块24,用于所述分享匹配对象在获取到闲置资源后,按照所述闲置资源的分类进行满意度评价,并将所述满意度评价反馈至所述深度神经网络进行优化训练。
图3示出根据本发明实施例的构建模块的构成图。如图3所示,该基于深度学习的社区空闲资源分享系统的构建模块21包括:
抽取单元211,用于根据社区闲置资源对应的商品分类,从用户提供的所述社区闲置资源的信息中抽取出所述社区闲置资源特征;
清洗单元212,用于对所述社区闲置资源特征的数据进行除噪和归一化处理后,对缺失的数据进行默认填充,构建所述社区闲置资源的特征数据集。
图4示出根据本发明实施例的分类模块的构成图。如图4所示,该基于深度学习的社区空闲资源分享系统的分类模块22包括:
训练单元221,用于对于每种社区闲置资源的商品分类,训练对应的深度神经网络;
计算单元222,用于将所述闲置资源特征数据集作为所述深度神经网络的输入,进行分类,得到所述闲置资源对应的匹配特征;
评分单元223,用于根据所述匹配特征,对每个需求用户进行指数化评分,得到各自的闲置资源匹配指数。
图5示出根据本发明实施例的反馈模块的构成图。如图5所示,该基于深度学习的社区空闲资源分享系统的反馈模块24包括:
纠错单元241,用于对所述满意度评价进行差错扫描,去除偏差值在指定区间外的错误数据,并以默认数据进行替换,形成反馈数据集;
替换单元242,用于将所述反馈数据集导入所述深度神经网络进行优化训练,替换原有深度神经网络。
本申请实施例各系统中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的社区空闲资源分享方法,其特征在于,包括:
获取待分类的社区闲置资源特征,按照商品分类对所述社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集;
将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数;所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层,卷积层的核函数大小为4*4,激活层的激活函数采用ReLU函数,池化层的核函数大小为3*3;
获取居民资源需求信息并进行分类,按照需求大小对居民资源需求信息进行第一排序;
按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序;
结合第一排序和第二排序,生成资源分享方案,依次向需求居民发送分享邀请,确定分享匹配对象;
所述分享匹配对象在获取到闲置资源后,按照所述闲置资源的分类进行满意度评价,并将所述满意度评价反馈至所述深度神经网络进行优化训练。
2.根据权利要求1所述的方法,其特征在于,获取待分类的社区闲置资源特征,按照商品分类对所述社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集,包括:
根据社区闲置资源对应的商品分类,从用户提供的所述社区闲置资源的信息中抽取出所述社区闲置资源特征;
对所述社区闲置资源特征的数据进行除噪和归一化处理后,对缺失的数据进行默认填充,构建所述社区闲置资源的特征数据集。
3.根据权利要求1所述的方法,其特征在于,将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数,包括:
对于每种社区闲置资源的商品分类,训练对应的深度神经网络;
将所述社区闲置资源的特征数据集作为所述深度神经网络的输入,进行分类,得到所述社区闲置资源对应的匹配特征;
根据所述匹配特征,对每个需求用户进行指数化评分,得到各自的闲置资源匹配指数。
4.根据权利要求1所述的方法,结合第一排序和第二排序,生成资源分享方案,依次向需求居民发送分享邀请,确定分享匹配对象,包括:
对于所述第一排序中的每一居民需求,确定所述第二排序中以所述居民需求为中心,上下匹配振幅区间内的需求居民为预选对象集合;
按照所述预选对象集合中每个需求居民的闲置资源匹配指数,依次向每个需求居民发送分享邀请;
如果在指定等待响应时间内靠前需求居民没有响应,则向闲置资源匹配指数排序在所述靠前需求居民之后的靠后需求居民继续发送分享邀请。
5.根据权利要求1所述的方法,其特征在于,确定分享匹配对象,包括:
如果用户接受了所述分享邀请,则终止继续发送分享邀请;
如果用户拒绝了所述分享邀请,则向所述资源分享方案中的下一用户发送分享邀请,直至存在用户接受所述分享邀请。
6.根据权利要求1所述的方法,其特征在于,所述分享匹配对象在获取到闲置资源后,按照所述闲置资源的分类进行满意度评价,并将所述满意度评价反馈至所述深度神经网络进行优化训练,包括:
对所述满意度评价进行差错扫描,去除偏差值在指定区间外的错误数据,并以默认数据进行替换,形成反馈数据集;
将所述反馈数据集导入所述深度神经网络进行优化训练,替换原有深度神经网络。
7.一种基于深度学习的社区空闲资源分享系统,其特征在于,包括:
构建模块,用于获取待分类的社区闲置资源特征,按照商品分类对所述社区闲置资源特征进行分类,并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集;
分类模块,用于将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类,得到闲置资源匹配指数;所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层,卷积层的核函数大小为4*4,激活层的激活函数采用ReLU函数,池化层的核函数大小为3*3;
匹配模块,用于获取居民资源需求信息并进行分类,按照需求大小对居民资源需求信息进行第一排序;按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序;结合第一排序和第二排序,生成资源分享方案,依次向需求居民发送分享邀请,确定分享匹配对象;
反馈模块,用于所述分享匹配对象在获取到闲置资源后,按照所述闲置资源的分类进行满意度评价,并将所述满意度评价反馈至所述深度神经网络进行优化训练。
8.根据权利要求7所述的系统,其特征在于,所述构建模块,包括:
抽取单元,用于根据社区闲置资源对应的商品分类,从用户提供的所述社区闲置资源的信息中抽取出所述社区闲置资源特征;
清洗单元,用于对所述社区闲置资源特征的数据进行除噪和归一化处理后,对缺失的数据进行默认填充,构建所述社区闲置资源的特征数据集。
9.根据权利要求7所述的系统,其特征在于,所述分类模块,包括:
训练单元,用于对于每种社区闲置资源的商品分类,训练对应的深度神经网络;
计算单元,用于将所述闲置资源特征数据集作为所述深度神经网络的输入,进行分类,得到所述闲置资源对应的匹配特征;
评分单元,用于根据所述匹配特征,对每个需求用户进行指数化评分,得到各自的闲置资源匹配指数。
10.根据权利要求7所述的系统,其特征在于,所述反馈模块,包括:
纠错单元,用于对所述满意度评价进行差错扫描,去除偏差值在指定区间外的错误数据,并以默认数据进行替换,形成反馈数据集;
替换单元,用于将所述反馈数据集导入所述深度神经网络进行优化训练,替换原有深度神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218416.0A CN112966916A (zh) | 2021-02-26 | 2021-02-26 | 一种基于深度学习的社区空闲资源分享方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218416.0A CN112966916A (zh) | 2021-02-26 | 2021-02-26 | 一种基于深度学习的社区空闲资源分享方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966916A true CN112966916A (zh) | 2021-06-15 |
Family
ID=76275710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110218416.0A Pending CN112966916A (zh) | 2021-02-26 | 2021-02-26 | 一种基于深度学习的社区空闲资源分享方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966916A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510331A (zh) * | 2022-11-15 | 2022-12-23 | 山东紫菜云数字科技有限公司 | 一种基于闲置量聚合的共享资源匹配方法 |
CN115795368A (zh) * | 2023-02-07 | 2023-03-14 | 山东毓星智能科技有限公司 | 一种基于人工智能的企业内训数据处理方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909252A (zh) * | 2019-10-08 | 2020-03-24 | 重庆特斯联智慧科技股份有限公司 | 一种基于大数据的社区活动推荐方法及装置 |
-
2021
- 2021-02-26 CN CN202110218416.0A patent/CN112966916A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909252A (zh) * | 2019-10-08 | 2020-03-24 | 重庆特斯联智慧科技股份有限公司 | 一种基于大数据的社区活动推荐方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510331A (zh) * | 2022-11-15 | 2022-12-23 | 山东紫菜云数字科技有限公司 | 一种基于闲置量聚合的共享资源匹配方法 |
CN115510331B (zh) * | 2022-11-15 | 2023-03-14 | 山东紫菜云数字科技有限公司 | 一种基于闲置量聚合的共享资源匹配方法 |
CN115795368A (zh) * | 2023-02-07 | 2023-03-14 | 山东毓星智能科技有限公司 | 一种基于人工智能的企业内训数据处理方法及系统 |
CN115795368B (zh) * | 2023-02-07 | 2023-05-02 | 山东毓星智能科技有限公司 | 一种基于人工智能的企业内训数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238310B2 (en) | Training data acquisition method and device, server and storage medium | |
CN110377804A (zh) | 培训课程数据的推送方法、装置、系统及存储介质 | |
CN106355449B (zh) | 用户选取方法和装置 | |
Pei et al. | A new insight into land use classification based on aggregated mobile phone data | |
CN110598037B (zh) | 一种图像搜索方法、装置和存储介质 | |
CN106506705A (zh) | 基于位置服务的人群分类方法及装置 | |
CN105654341A (zh) | 一种基于云服务的航空产品推荐系统及方法 | |
CN111191111B (zh) | 内容推荐方法、装置及存储介质 | |
CN104133817A (zh) | 网络社区交互方法、装置及网络社区平台 | |
CN105023165A (zh) | 社交网络平台中投放任务的控制方法、装置及系统 | |
CN105135782A (zh) | 一种基于物联网的智能冰箱管理系统 | |
CN110032606A (zh) | 一种样本聚类方法及装置 | |
CN108648058B (zh) | 产品排序方法及装置,电子设备、存储介质 | |
CN112966916A (zh) | 一种基于深度学习的社区空闲资源分享方法和系统 | |
CN105183731A (zh) | 推荐信息生成方法、装置及系统 | |
CN109377401B (zh) | 一种数据处理方法、装置、系统、服务器及存储介质 | |
CN109816057A (zh) | 图书馆图书借阅管理方法、系统、电子设备及存储介质 | |
CN108009216A (zh) | 目标对象的处理方法、装置和系统、存储介质、处理器 | |
CN108664515A (zh) | 一种搜索方法及装置,电子设备 | |
CN110750658A (zh) | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 | |
CN109345201A (zh) | 人力资源管理方法、装置、电子设备及存储介质 | |
CN111382793B (zh) | 一种特征提取方法、装置和存储介质 | |
CN113205129A (zh) | 一种作弊团伙识别方法、装置、电子设备及存储介质 | |
CN107506407A (zh) | 一种文件分类、调用的方法及装置 | |
CN110895781A (zh) | 菜品类别推荐方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |